企业官网建设流程全解析

LocoAgent 是一款通过真实浏览器自动化运营社交媒体的 AI 智能体，而它的「操作日志」（Operation Log）正是防止智能体重复点赞、关注、回复的关键机制。这套跨会话持久化去重方案只靠一个 JSON 文件和四行命令就实现了，本文带你完整拆解它的设计原理与落地细节。

为什么 AI 智能体需要一本「操作账本」？

想象这样一个场景：你让 LocoAgent 每天早上自动给关注领域的帖子点赞、写评论。问题来了——大模型本身是「健忘」的：每次会话结束，它的短期记忆就清空了。如果没有额外机制，第二天的它会：

• 对同一条帖子再点一次赞（用户看到你的账号反复操作，非常可疑）
• 对已经回复过的帖子二次评论（刷屏既视感，可能触发平台风控）
• 重复关注同一批用户，浪费每日配额

换句话说：去重不是锦上添花，而是社交自动化智能体可信运行的生命线。LocoAgent 的官方定位也写得很直白：「Persistent cross-session deduplication so the agent never repeats a like, follow, or reply」，这个去重契约被称作智能体身份的核心（README.md 的 📒 Operation Log 章节）。

去重核心：三元组匹配 + 成功状态校验

打开核心脚本 scripts/log-operation.ts，每条操作记录包含 6 个字段：

去重逻辑在 check 命令中一目了然：

const found = log.operations.find( op => op.platform === platform && op.action === action && op.url === url && op.status === 'success' )

三个设计点值得品味：

1. 三元组匹配：平台 + 动作 + URL构成唯一键——同一条帖子可以被点赞也可以被评论，两者互不冲突；
2. 只认success：失败的操作不会被去重，智能体会在下一次运行时自动「补做」，天然形成重试语义；
3. device 不参与去重：用 iOS 网页版点过的赞，桌面版再来时依然会跳过——因为「点赞」是账号级行为，与设备无关。这一点还有专门的单元测试保障。

用退出码代替返回值：给 Bash 智能体设计的接口

check命令的输出非常「智能体友好」：

• 退出码 0= 已做过 → 跳过
• 退出码 1= 未做过 → 继续

智能体通过 Bash 工具调用它时，无需解析 JSON 也能凭退出码直接做分支判断，这是为 LLM 工具调用量身设计的极简契约。

四条命令：add / check / recent / summary

log-operation.ts 的头部注释就是一份完整的使用手册，四个子命令各司其职：

# ✅ 操作成功后记录（智能体每次成功后自动调用） bun run scripts/log-operation.ts add \ --platform x --action like --url "https://x.com/user/status/123" \ --status success --note "AI agents research post" # 🔍 操作前检查（exit 0 = 已做过，exit 1 = 未做过） bun run scripts/log-operation.ts check \ --platform x --action like --url "https://x.com/user/status/123" # 🕘 查看最近 20 条操作 bun run scripts/log-operation.ts recent --limit 20 # 📊 生成 30 天摘要（自动注入系统提示词） bun run scripts/log-operation.ts summary --days 30

其中 summary 命令 会统计每个「平台:动作」组合的成功次数，并按平台列出所有已操作过的 URL，输出一段紧凑的 Markdown——专门为了让它塞进系统提示词里而不撑爆上下文。

持久化的关键：30 天摘要注入系统提示词

光有账本还不够，关键在于让智能体每次开局就带着记忆。在 src/constants/prompts.ts 中，getOperationLogSection()会在会话启动时同步执行summary --days 30，把结果包装成这样一段提示词：

The following is your operation history.Do NOT repeat any action on a URL already listed.Before each action, use:log-operation.ts check .... After each successful action, log it with:log-operation.ts add ...

也就是说，「操作前必查、成功后必记」这条铁律被写死在了系统提示词中，再附上最近 30 天已操作 URL 清单作为兜底——即使智能体忘了执行 check，清单本身也在提醒它。

这里还有一个容易被忽略的工程细节：该区块被刻意放置在 SYSTEM_PROMPT_DYNAMIC_BOUNDARY 之后。因为 30 天窗口随时间滚动、每轮对话都会变化，如果放在可缓存的系统提示词前缀里，会导致提示词缓存整段失效、白白烧 token；放在边界之后则既保证信息新鲜，又不破坏缓存。一个小小的分区决策，直接影响长期运行的 API 成本。

与定时任务联动：每日会话的「操作守则」

scripts/run-tasks.ts 负责把每日/每周任务定时喂给智能体，它生成的会话提示词里嵌入了完整的操作守则：

• 每次动作前ALWAYS 执行check
• 每次动作成功后ALWAYS 执行add
• 如果某个帖子 URL 已出现在日志中，静默跳过
• 会话结束时执行recent --limit 20，向用户汇报：完成了什么、跳过了什么、为什么

配合persona/tasks.md中的会话配额约束（如每会话最多 10 次点赞），操作日志就完成了从「防重复」到「可审计」的闭环——每次会话结束的智能体自报，本质上就是日志数据的人类可读版本。

健壮性细节：从新机器克隆到健康检查

这套方案还藏着几个面向「开箱即用」的细节：

• 自动建目录：saveLog 写入前会递归创建persona/目录——因为该目录被 gitignore（属于用户私有数据），全新克隆的机器第一次写日志不会崩溃；
• 健康自检：scripts/doctor.ts 的doctor命令会用LOCO_OP_LOG_PATH环境变量把日志重定向到隔离的临时文件，做一次「写入→查询」往返探测，全程不触碰真实账本；
• 人类可读：状态存在 persona/operation-log.json 中，就是普通的格式化 JSON，随时可以打开翻阅、手工修正。

值得一提的是LOCO_OP_LOG_PATH这个环境变量——测试和诊断可以指定任意路径，同一套代码既服务生产账本又支持沙盒演练，是低成本可测试性的好范例。

总结：小账本，大纪律

回看 LocoAgent 的操作日志设计，它的本质是把「智能体不能重复自己」这一约束，拆解成了三层协作：

没有数据库、没有复杂中间件，只有一个 JSON 文件和约定俗成的调用时序，却同时解决了防重复、可重试、可审计、跨平台（X / LinkedIn / Reddit 各平台 URL 天然隔离）四个问题。如果你也在做浏览器自动化方向的 AI 智能体，这套「三元组去重键 + 退出码契约 + 系统提示注入」的组合拳，是非常值得抄作业的最小可行方案。